Clase 358 — Machine Learning aplicado a Anti-Cheat

Parte: 19 — Seguridad de videojuegos, cheats y anti-cheat · Fuente principal: documentación de Epic Games y Valve ⏱️ Duración estimada: 120 min · Nivel: Avanzado

🎯 Objetivo

Comprender y verificar machine learning aplicado a anti-cheat sobre el Game Security Range, conectando vulnerabilidad, abuso controlado, telemetría, evidencia, causa raíz, mitigación y prueba de regresión sin actuar sobre software de terceros.

📚 Resultados de aprendizaje

Al finalizar, el alumno podrá:

1. Explicar features y normalización desde la arquitectura y no solo desde la herramienta.
2. Relacionar split, imbalance y temporalidad con una frontera de confianza concreta.
3. Producir evidencia reproducible sobre clasificación, isolation forest y clustering.
4. Evaluar límites, falsos positivos y consecuencias de drift, adaptación y explainability.
5. Verificar una mitigación mediante un caso legítimo y uno adversarial.

🗺️ Temas

🧠 Explicación en profundidad

Feature engineering traduce secuencias en variables, pero puede filtrar la etiqueta o codificar dispositivo. Normalización evita que una escala domine; train/test debe separar jugadores o partidas y respetar tiempo para no medir memorización. Class imbalance vuelve engañosa accuracy: precision, recall, F1 y curvas PR suelen ser más útiles; ROC necesita contexto de prevalencia y costo.

Clasificación supervisada aprende de labels; Isolation Forest aísla observaciones con particiones; clustering explora grupos sin convertirlos automáticamente en culpables. Features temporales capturan trayectoria, pero concept drift cambia población y adversarial adaptation cambia conducta. Comparar contra reglas simples revela si ML aporta generalización suficiente para justificar opacidad, mantenimiento y proceso de apelación. Explainability debe referir señales accionables, no solo una puntuación.

El diagrama se lee como un bucle de ingeniería, no como una cadena de sanción. El supuesto habilita un abuso dentro del target propio; la señal solo permite formular una hipótesis; la decisión incorpora contexto; la mitigación debe volver al supuesto y demostrar con una regresión que la confianza cambió. Si el último arco no puede verificarse, solo se ocultó el síntoma.

📖 Definiciones y características

• Señal: medida observable; característica clave: no prueba por sí sola intención.
• Evidencia: señal contextualizada y reproducible; característica clave: trazabilidad.
• Autoridad: componente que decide el estado canónico; característica clave: valida intenciones.
• Causa raíz: condición sistémica que permitió el incidente; característica clave: su corrección evita recurrencia.

📔 Glosario

🧰 Herramientas y preparación

• Python 3.12 y el Game Security Range.
• Escenario correspondiente de SCENARIOS.md.
• Dataset sintético documentado; nunca datos personales ni procesos de terceros.
• Prerrequisitos: clases 023–024 (procesos/memoria), 130–134 (RE/debugging), 182/199 (telemetría/detección) y 217 (RCA).

🧪 Laboratorio guiado

1. Ejecuta python -m unittest discover -s tests -v desde labs/game-security y conserva la línea base.
2. Entrena conceptualmente regla e Isolation Forest sobre los CSV. Define split sin leakage, métricas, umbral, monitoreo de drift y explicación por alerta.
3. Registra modo, comando, decisión, señal, umbral o invariante, semilla y resultado esperado.
4. Formula al menos una explicación legítima alternativa antes de atribuir abuso.
5. Aplica o diseña la mitigación y repite el caso adversarial y un caso normal.
6. Redacta la cadena síntoma → timeline → evidencia → hipótesis → causa raíz → fix → regresión.

✍️ Ejercicios

1. Explica qué cambia si el cliente controla el dato frente a si solo solicita una acción.
2. Identifica una señal débil y combínala con otra fuente independiente.
3. Diseña un caso límite de latencia, FPS, dispositivo o accesibilidad.
4. Separa prevención, detección, respuesta y gobernanza para este tema.
5. Explica qué información no necesitas recoger y por qué.

📝 Reto verificable

Entrega una ficha con threat boundary, reproducción en el rango, evento de telemetría, decisión explicada, alternativa legítima, causa raíz, mitigación y prueba de regresión.

Criterio de aceptación: otra persona puede ejecutar los comandos con la misma semilla, obtener la evidencia citada y comprobar que la mitigación bloquea el caso adversarial sin romper el caso normal.

⚠️ Errores comunes

❓ Preguntas frecuentes

¿Una alerta basta para sancionar? No. Es una hipótesis con un nivel de confianza; la consecuencia exige evidencia proporcional, política, auditabilidad y apelación.

¿Ofuscar el cliente resuelve el problema? Puede elevar costo, pero no reemplaza autoridad, invariantes ni minimización de información.

¿Por qué el laboratorio es sintético? Permite controlar verdad, semilla y falsos positivos sin invadir jugadores ni construir una herramienta reutilizable contra terceros.

🔗 Referencias

• Epic Games, Networking Overview — autoridad y replicación aplicadas a Split, imbalance y temporalidad. https://dev.epicgames.com/documentation/unreal-engine/networking-overview-for-unreal-engine
• Valve, Latency Compensating Methods — predicción, interpolación y límites usados para Drift, adaptación y explainability. https://developer.valvesoftware.com/wiki/Latency_Compensating_Methods_in_Client/Server_In-game_Protocol_Design_and_Optimization
• scikit-learn, Outlier detection — límites de detección de anomalías y evaluación en la clase 358. https://scikit-learn.org/stable/modules/outlier_detection.html

⬅️ Clase anterior

Clase 357 — Estadística, anomalías y falsos positivos

➡️ Siguiente clase

Clase 359 — Privacidad, gobernanza, sanciones y seguridad del propio Anti-Cheat